由中国图象图形学学会青年工作委员会发起的“第十九届中国图象图形学学会青年科学家会议”于2023年12月28-31日在中国广州召开。本次会议由中国图象图形学学会主办，琶洲实验室、华南理工大学、中山大学、中国图象图形学学会青年工作委员会承办。王耀南院士、谭铁牛院士、中山大学赖剑煌教授、华南理工大学徐向民副校长、许勇副校长、琶洲实验室常务副主任李远清教授、华南理工大学陈俊龙教授、北京大学林宙辰教授共同担任大会主席。

会议面向国际学术前沿与国家战略需求，聚焦最新前沿技术和热点领域，会议设4个大会报告，27个主题分论坛，4个Tutorial，总计近150场高水平学术报告 。2023年12月29日上午， 高性能AI计算与AIOT论坛成功举办。论坛由陈岑和吴庆耀联合组织。“高性能AI计算与AIOT”是当今备受瞩目的研究领域，其在智能家居、智能城市、工业自动化、农业和农业智能化、医疗和健康、零售和客户服务、交通和物流等多个领域发挥着重要作用。论坛聚焦该领域的最新研究进展与前沿技术，详细探讨了“面向边缘多模态计算的软硬协同优化探索”和“基础数据软件的设计与优化”等主题内容。

浙江大学教授李玺、湖南大学教授阳王东、上海交通大学教授李超、浪潮信息工程师龚湛、Monash University Tenure-track助理教授庄博涵几位专家，作为本场论坛讲者进行主题报告。

浙江大学教授李玺带来主题为“多模态视觉生成和结构学习”的报告。

互联网和物联网时代催生了海量多模态大数据，从这些海量数据中有效提取知识迫切需要各种人工智能的技术和手段。因此，如何进行人工智能驱动的多模态计算已经成为当今知识经济时代亟待解决的核心技术问题。本报告主要围绕数据驱动的多模态视觉生成和结构学习方法，进行大规模图像/视频数据的视觉特征学习，从目标视觉感知特性、视觉特征表达、深度学习器构建机制、高层语义理解等多维度视角进行了深入剖析，并引入了大规模多模态特征学习所涉及的主要研究问题和技术方法。然后系统地回顾了多模态特征表达和生成领域的不同发展阶段，介绍了近年来利用特征学习进行视觉语义理解和生成所做的一系列代表性的研究工作及其实际应用。报告的最后一起探讨了涉及多模态特征学习所面临的一些开放性问题和难题。

湖南大学教授阳王东带来主题为“HPC+AI融合的基础数据软件的设计与优化”的报告。

基础数学软件不但是高性能计算中的核心基础软件，也是AI模型训练和推理中的核心组件。随着HPC和AI的融合加速，适配HPC+AI融合计算的新计算机体系结构也得到迅速发展，尤其异构计算架构成为主流，如何针对HPC和AI的计算特征并适配异构计算体系结构研制高性能基础数学软件成为了HPC+AI融合应用的关键问题。提出一种面向CPU+通用加速器+AI加速器的自适应的异构并行基础数学库计算框架，结合AI技术优化基础数学运算中与性能相关的参数设置，同时采用AI模型对HPC应用中的算法、数据格式以及不同算子进行融合、自动选择或替换以适应异构计算环境，并且利用强化学习和迁移学习增强基础数学库的鲁棒性和自适应性。

上海交通大学教授李超带来主题为“面向边缘多模态计算的软硬协同优化探索”的报告。

多模态计算（multi-modal computing）是边缘微小型数据中心或者嵌入式设备上的一类日益重要的任务。这种计算任务依赖一系列模态传感器来收集包括图像、音频、文本等数据，并借助多模态深度神经网络来生成更富洞见的智能分析结果。相比单一模态分析，多模态计算能够提供更高的精确度，因此在无人驾驶、自主系统、机器人、人工智能物联网等领域有重要应用。作为一种更加复杂的边缘计算负载，多模态计算任务在算力和存力资源消耗、功耗能耗等方面的问题不容忽视，存在许多研究机遇与挑战。本次报告简要汇报了近期在多模态计算负载特征分析、多模态计算基准测试集开发、体系结构和系统软件层面的协同优化设计等方面的进展。

浪潮信息工程师龚湛带来主题为“算力驱动智能驾驶进化”的报告。

当前自动驾驶技术正在向城市NOA冲刺，报告先简单介绍自动驾驶感知技术的发展概况，从技术进化和算力发展需求的角度进行初步分析；接着对当前主流的BEV算法进行剖析，从HPC和AI的角度上，重点分析数据处理、存储、计算特征和算力需求等；最后给出浪潮信息在算力、算法创新上做的相关工作，介绍浪潮信息模型算法开发、测试优化以及相应的解决方案等。

Monash University Tenure-track助理教授庄博涵带来主题为“预训练大模型的高效微调和部署”的报告。

近两年， 基于大数据和大型计算设施的基础大模型取得了重大突破，如GPT-4, LLaMA, Bard等, 深刻颠覆了人工智能以及相关学科和产业的发展，极大促进了数字技术与实体经济的深度如何。随着5G和物联网的快速发展，世界每年将产生数以亿计的智能物联网设备 (AIOT) 和可穿戴式设备。数量激增的低功耗边缘智能设备将极大改变产业和社会模式，并实质推动个人计算的普及。智能计算的核心在于智能感知和决策，很大程度上依赖于前沿基础大模型。但边缘设备并没有足够的计算资源来运行和存储复杂的大模型，因此带来了诸多根本性挑战，例如大模型在移动端很难存储；运行大模型需要频繁访问内存和进行复杂运算，造成电池能源的快速消耗；运行很难保证实时性；依靠云计算将数据在边端和云端间进行传输会造成延迟，个人隐私、机密泄露等问题。

我的报告将针对预训练大模型在AIOT领域应用落地面临的两个主要问题, 包括快速、资源高效的针对下游任务的微调;以及准确、高效的压缩预训练大模型使其可以在边缘设备上实时、低功耗的部署。报告内容将集中在高效语言大模型、多模态大模型等领域的主要进展和未来展望。

本次论坛为青年科学家们提供了宝贵的学术交流平台，为高性能AI计算与AIOT的研究进展提供了新的启示和思想碰撞。